張愛軍

?

上軟下硬地層盾構掘進姿態(tài)施工參數模糊控制研究

張愛軍

(中鐵十二局集團有限公司，山西 太原 030032)

盾構施工法在城市地鐵施工中已經成為主要方法，盾構在掘進中的姿態(tài)控制是確保隧道施工質量的關鍵技術之一。上軟下硬地層是一種開挖地鐵隧道時遇到的復合特殊地層，上部土層或軟巖具有不穩(wěn)定性，而下部巖層又具有很高的強度，盾構施工時，盾構機有向軟弱地層方向偏移的慣性，因此與均一地層相比，盾構在上軟下硬地層掘進時姿態(tài)控制更需要關注。由于地質條件復雜，影響盾構掘進姿態(tài)的因素較多，盾構掘進姿態(tài)控制難度較大。依托某實際工程，運用BP神經網絡模型對掘進速度、刀盤轉速、刀盤扭矩、油缸總推力、上下油缸推力差以及土與巖在掘進面占比等施工參數對盾構隧道軸線偏移量的影響進行比較詳細的研究，得出盾構施工參數對姿態(tài)控制的影響及其規(guī)律。

上軟下硬地層；盾機構；姿態(tài)控制；模糊控制

進入21世紀，我國城市化進程快速推進，隨著城市的快速發(fā)展，城市的交通擁堵已經成為制約經濟發(fā)展和社會進步的重要問題之一。地鐵由于其龐大的運能和快速性能，已成為我國大中城市緩解地面交通壓力不可或缺的關鍵。為了保證地鐵隧道的安全開挖，盾構法作為一種比較安全的施工方法已經成為城市地鐵施工的主要施工方法之一。盾構施工過程中會經常遇到一些特殊的地質狀況，如上軟下硬的復合地層。在上軟下硬地層中，上部的土層或軟巖層具有不穩(wěn)定性，而下部硬巖層又具有很高的強度，因此盾構在上軟下硬地層地質掘進時姿態(tài)難以控制。盾構主機有著向地層較軟一側偏移的慣性，特別是當盾構機需要向硬巖一側調線時，姿態(tài)將更難控制，甚至造成盾構機的“卡殼”。在上軟下硬地層中進行掘進，盾構姿態(tài)控制相對均一地層比較困難，但盾構的姿態(tài)控制是確保隧道施工質量的關鍵技術之一，而盾構機掘進參數的合理選擇是盾構機正常順利掘進、盾構機系統穩(wěn)定、盾構機有效率掘進的保證，是盾構姿態(tài)控制的主要因素。陸苗祥[1]應用正交試驗設計技術，討論了富水地層盾構施工參數與施工方案，YANG等[2?5]進行盾構掘進參數組合試驗，采用多元統計分析方法，對土倉壓力、推力、刀盤轉速等主要掘進參數對掘進速度、刀盤扭矩的影響進行了研究，得到了土壓平衡式盾構在軟土中的掘進速度數學模型和刀盤扭矩數學模型，并指出對掘進速度和刀盤扭矩影響最大的3個操作參數依次為：千斤頂推力、土艙壓力和刀盤轉速。李潮等[4]在充分理解和分析刀盤與土體相互作用的基礎上，基于盾構現場大量實測數據，逐一、系統地找出刀盤扭矩的影響因素，推導出土壓平衡盾構刀盤扭矩的數學模型，并在實際工程中對其進行校正，并通過將影響刀盤扭矩的因素進行量化分析，導出了適應各種地質條件下的扭矩計算公式。ZHANG等[5]結合北京地鐵盾構施工的經驗，介紹了盾構法施工時的盾構機姿態(tài)偏差問題及相應處理辦法。李有兵[6]基于盾構機掘進的歷史數據，分析了盾構掘進時影響盾構姿態(tài)的主要因素。ZHU等[11?15]結合工程實際，對盾構掘進的偏差實測數據進行具體分析，得出了盾構掘進方向發(fā)生偏差的原因和規(guī)律。分析了盾構施工在不同地質條件下的姿態(tài)控制技術，提出了一些盾構機的糾偏方法，給出幾個實例詳細闡述盾構的姿態(tài)調整。任福松等[7]對盾構機姿態(tài)的測量進行介紹，深入闡述盾構機坐標系的建立及其與測量坐標系的轉換。王升陽等[8]介紹了盾構姿態(tài)控制的技術要求，建立了數學模型分析盾構姿態(tài)與管片姿態(tài)的相互關系。彭勇濤[9]結合工程實踐，分析了隧道設計軸線，盾構機軸線，管片中軸線三者的關系。

1 工程概況

青島地鐵2號線是連接青島與黃島的一條骨干線路，同時將青島老城區(qū)、行政中心、商業(yè)中心、東部文化中心和北部生活中心等一系列大的客流集散點連接在一起。線路總長約55.3 km，全線共設40座車站。青島地質條件比較復雜，2號線所穿越的地層既有硬巖也有軟巖、斷層破碎帶，地質復雜多變，區(qū)間穿越不同地層，基巖軟硬變化大，上覆土層直接與堅硬的巖石相連，造成上軟下硬這樣特殊的地層條件。

青島地鐵2號線在南京路站~燕兒島路站站區(qū)間采用盾構法施工，區(qū)間線路長度約849 m，隧道頂埋深約10~12 m。局部發(fā)育有糜棱巖、碎裂巖等構造巖，部分地段穿插有各種巖脈，構造裂隙水發(fā)育，隧道圍巖自穩(wěn)性較差，形成相對不均勻的巖石地基。通過鉆探揭示，場區(qū)第四系厚度8~15 m。第四系由全新統人工素填土(Q4ml厚約1~5 m)和雜填土(厚約3.3 m左右)組成，全新統洪沖積層(Q4al+pl)的粉質黏土層厚約0.9~2.8 m、細砂層厚約1.7~7.6 m，分布較廣泛，上更新統洪沖積層(Q3al+pl)的碎石層厚約0.76~6.1 m，分布廣泛。

場區(qū)內基巖以粗粒花崗巖為主，煌斑巖、花崗斑巖呈脈狀穿插其間。由于長期受內外地質營力作用，場區(qū)內巖體物理力學性質在空間上發(fā)生了不同程度的變化，自上而下形成了性狀各異的風化帶。不同巖性由于其礦物成份、結構構造不同，受內外動力作用改造的程度不同，導致其風化程度及風化帶特征也有較大差異。由上至下，分布著強風化帶(厚約1.7~29.6 m，巖石等級大部為V級)、中風化帶(厚0.5~8.0 m，大部巖石等級為Ⅳ級)、微風化帶(2.3~10.1 m，屬于較完整的較硬巖~堅硬巖，巖石等級為Ⅲ~Ⅱ級)，具體見圖1。

圖1 南京路站地質縱斷面圖

沿線地下水主要有3種類型：松散土層上層滯水、松散土層孔隙潛水、基巖裂隙水，地下水水位變幅約1~3 m。地下水流向自北向南，排泄方式主要有蒸發(fā)、徑流、向深層承壓水滲透和人工開采。地下水對混凝土結構具微腐蝕性，對鋼筋混凝土結構中的鋼筋在干濕交替下具有弱腐蝕性，在長期浸水下具有微腐蝕性。

2 掘進參數的BP神經網絡模擬分析

2.1 神經網絡的介紹

神經網絡(neural network)是在對人腦認識的基礎上，以數學和物理方法及從信息處理的角度對人腦生物神經網絡(biological neural network，BNN)進行抽象并建立起來的某種簡化模型。神經網絡的基本特征可歸結為結構特征和能力特征[10]。1) 結構特征——并行處理、分布式存儲與容錯性。人工神經網絡是由大量的簡單處理單元相互連接構成的高度并行的非線性系統，具有大規(guī)模并行性處理特征。2) 能力特征——自學習、自組織與自適應性。自適應性是指一個系統能夠改變自身的性能以適應環(huán)境變化的能力，它是神經網絡的一個重要 特征。

2.2 神經網絡的基本模型

圖2 神經元模型

2.3 神經網絡的訓練和學習

人類之所以能夠適應周圍環(huán)境是因為人類神經系統具有從周圍環(huán)境獲取知識進行學習的能力。對于人工神經網絡，學習能力也是其最重要的特點。任何一個神經網絡模型要實現某種功能的操作，就必須先對它進行訓練，即讓它學會它要做的事情，并把這些知識記憶(存儲)在網絡的權值中。神經網絡的學習有2種形式：有監(jiān)督學習和無監(jiān)督學習2類。有監(jiān)督學習是指有指導的訓練算法，不但需要訓練用的輸入向量，還要求與之對應輸出的目標向量。無監(jiān)督學習是無指定的訓練部要求的目標向量，僅僅根據網絡的輸入調整網絡的權值和偏置值，網絡通過自身的“經歷”來學習某種功能。不管是有指導的學習還是無指導的學習，都要通過調整神經元的自由參數(權值或閥值)實現。

2.4 BP神經網絡

BP(back propagation)神經網絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W絡(見圖3)，是目前應用最廣泛的神經網絡模型之一。BP神經網絡由輸入層、中間層、輸出層組成。中間層也就是隱層，可以是一層或多層。BP神經網絡的學習過程由兩部分組成：正向傳播和反向傳播。當正向傳播時，信息從輸入層經隱層處理后傳向輸出層，每一層神經元的狀態(tài)值影響下一層的神經元狀態(tài)。如果在輸出層得不到希望的輸出，則轉入反向傳播，將誤差信號沿原來的神經元連接通路返回。返回過程中，逐一修改各層神經元連接的權值。這種過程不斷迭代，最后使得誤差信號達到允許的范圍之內。由上述可以看到，在多層前饋網絡中有2種信號在流通：1) 工作信號，它是施加輸入信號后向前傳播直到在輸出端產生實際輸出的信號，是輸入和權值的函數。2) 誤差信號，網絡實際輸出與應有輸出間的差值即為誤差，它由輸出端開始逐層向后傳播。

2.5 模型的建立

圖3 BP神經網絡模型

圖4 掘進面中心點到巖土分界面的距離

BP神經網絡模擬盾構軸線移動量對掘進速度、刀盤轉速、刀盤扭矩、油缸總推力、上下油缸推力差、土與巖在掘進面占比的函數。在MATLAB中掘進速度、刀盤轉速、刀盤扭矩、上下油缸推力差、土與巖在掘進面占比為6個輸入，盾構軸線偏移量為1個輸出。這里按上段的選取原則選取實際工程60組數據作為訓練樣本，并采用十組數據作為檢測樣本，把10組樣本的掘進速度、刀盤轉速、刀盤扭矩、上下油缸推力差、土與巖在掘進面占比，利用神經網絡得出輸出，再與工程實際的盾構軸線移動量進行對比。

運行程序，得出圖5的50組樣本的模擬值(預測值)與實際監(jiān)測數據的對比圖，計算結果與實測值誤差的均方差為0.00727，相對是比較小的，相關系數為0.894，大于0.89，這說明模擬結果能夠滿足實際工程的需要。提取測試樣本的輸出值數據與樣本實際軸線偏差進行對比如表1所示。10對數據的差值只有第7、第8、第10組在1~3之間，其余都在1以內。而工程實際中軸線移動量絕大多數是在?12到12之間擺動，故模擬較為精確。運用此模型，只要知道盾構的掘進參數，以及盾構周圍的地質條件，便可估計盾構軸線移動量。

2.6 各施工參數與盾構隧道軸線偏移量關系的研究

盾構姿態(tài)控制的直接影響是盾構軸線偏移量，從現場實際數據可知盾構軸線偏移量與掘進速度、刀盤轉速、刀盤扭矩、刀盤上下推力差、土與巖在掘進面占比的關系并不是很清晰。為了研究盾構隧道軸線偏移與各個盾構施工參數之間的關系，運用神經網絡模型，采用控制變量法來研究各個施工參數對盾構軸線偏移量的影響。

表1 盾構偏移量的實測值與計算值

2.6.1 油缸上下推力差與盾構軸線移動量的關系

應用BP神經網絡模型，對輸入自變量進行控制，只改變上下推力差這一變量，而其他參數不變，以此得出模型輸出(即為盾構軸線偏移量)。掘進速度設置為1.9，刀盤轉速設置為1.1，刀盤扭矩設置為3.7，油缸總推力設置為14500，掘進面中心點到巖土分界面的距離設為0，上下油缸推力差按公差為200的等差數列從3200減少到400，進行15次輸入輸出。

圖5 樣本模擬值與實際值的對比圖

各推力差下的盾構軸線偏移量計算如圖6所示。從圖中可以看出，盾構軸線移動量隨著盾構機上下油缸推力差的增大而向上偏移。

2.6.2 土與巖在掘進面的占比與盾構軸線移動量的關系

將掘進速度設置為1.9，刀盤轉速為1.1，刀盤扭矩為3.7，油缸總推力為14 500，上下油缸推力差為1 800和盾構埋深為11，考慮盾構掘進面上土與巖所占比例對隧道軸線偏移的影響，各種掘進面中心點到巖土分界面的距離按公差為0.4的等差數列從3.14減少到?2.46，隧道軸線偏移量計算結果如圖7所示。從圖中可以看出隨著巖土占比增大，盾構軸線移動量先減少后增大，在盾構掘進面中心距土巖分界面為0左右的盾構軸線移動量最小。

圖6 推力差與盾構軸線偏移量關系

圖7 土巖占比與盾構軸線偏移量關系

2.6.3 盾構埋深與盾構軸線偏移量的關系

將掘進速度設置為1.9，刀盤轉速為1.1，刀盤扭矩為3.7，油缸總推力為14 500，上下油缸推力差為2 200，掘進面中心點到巖土分界面的距離為0和盾構埋深按公差為0.2的等差數列從13減少到10.2，進行15次計算。計算結果如圖8所示，從圖中可以看出盾構軸線偏移量隨著埋深的增大而 增大。

圖8 盾構埋深與盾構軸線偏移量關系

圖9 掘進速度與盾構軸線偏移量的關系

2.6.4 掘進速度與盾構軸線移動量的關系

刀盤轉速設置為1.1，刀盤扭矩設置為3.7，油缸總推力設置為14 500，掘進面中心點到巖土分界面的距離設為0，上下油缸推力差設為2 200，盾構埋深設為11，掘進速度按公差為0.1的等差數列從3減少到1.6，進行15次計算，結果如圖9所示。從圖9中可以看出盾構軸線移動量隨著掘進速度增大的變具有隨機性，而且對盾構軸線移動量的影響不超過1 mm，故可認為盾構軸線移動量與掘進速度無關。

2.6.5 刀盤轉速與盾構軸線移動量的關系

將掘進速度設為1.9，刀盤扭矩為3.7，油缸總推力為14 500，掘進面中心點到巖土分界面的距離設為0，上下油缸推力差為2 200，盾構埋深為11，刀盤轉速按公差為0.02的等差數列從1.28減少到1，進行15次計算，計算結果如圖10所示。從圖10中可以看出盾構軸線移動量隨著刀盤速度增大的改變具有隨機性，而且對盾構軸線移動量的影響不超過2mm，故可認為盾構軸線移動量與刀盤轉速無關。

圖10 刀盤轉速與盾構軸線移動量的關系

2.6.6 刀盤扭矩與盾構軸線移動量的關系

將掘進速度設為1.9，刀盤轉速為1.1，掘進面中心點到巖土分界面的距離為0，油缸總推力為14 500，上下油缸推力差為2200，盾構埋深為11，刀盤扭矩按公差為0.04的等差數列從3.9減少到3.34，進行15次計算。計算結果如圖11所示。從圖11中可以看出盾構軸線移動量隨著刀盤扭矩增大的改變具有隨機性，而且對盾構軸線移動量的影響不超過2mm，故可認為盾構軸線移動量與刀盤轉速無關。

2.6.7 總推力與盾構軸線移動量的關系

將掘進速度設為1.9，刀盤轉速為1.1，刀盤扭矩為3.7，掘進面中心點到巖土分界面的距離為0，上下油缸推力差為2200，盾構埋深為11，油缸總推力按公差為300的等差數列從17000減少到12 800，進行15次計算，計算結果如圖12所示。從圖12中可以看出盾構軸線移動量隨盾構機總推力增大而增大。

圖11 刀盤扭矩與盾構軸線偏移量的關系

圖12 油缸總推力與盾構軸線偏移量的關系

3 結論

1) 所建立的BP神經網絡模型，能夠基本模擬掘進速度、刀盤轉速、刀盤扭矩、油缸總推力、上下油缸推力差、土與巖在掘進面占比的函數等施工參數對盾構隧道軸線偏移量的影響，能夠在已知地質資料和盾構掘進參數的基礎上，估算盾構軸線向上或者向下偏移量的大小。

2) 運用神經網絡模型，通過控制變量法，分析某2個參數的關系，得出以下結論：盾構軸線偏移量(向上為正，向下為負)與掘進速度、刀盤轉速、刀盤扭矩無關；在其他條件不變時，盾構軸線偏移量隨著上下油缸推力差的增大而增大，隨著土巖占比增大先減少后增大，隨著隧道埋深的增大而增大，隨盾構總推力增大而增大。

[1] 陸苗祥. 淺談富水地層盾構區(qū)間施工方案[J]. 黑龍江科技信息, 2015(16): 228. LU Miaoxiang. Discussion on construction scheme of shield section in water rich stratum[J]. Heilongjiang Scientific and Technical Information, 2015(16): 228.

[2] YANG H Y, GONG G F, HU G L. Earth pressure balance control for EPB shield[J]. Science China Technological Sciences, 2009, 52(10): 2840?2848.

[3] 郭玉海, 王夢恕, 張照煌, 等. 土壓平衡盾構反扭矩的分析和計算[J]. 巖土力學, 2013, 34(5): 1449?1452.GUO Yuhai, WANG Mengshu, ZHANG Zhaohuang, et al. Analysis and calculation of reverse torque of earth pressure balance shield[J]. Rock and Soil Mechanics, 2013, 34(5): 1449?1452.

[4] 李潮, 周宏偉, 左建平, 等. 土壓平衡盾構刀盤扭矩計算方法與多因素量化分析[J]. 巖石力學與工程學報, 2013, 32(4): 760?766.LI Chao, ZHOU Hongwei, ZUO Jianping, et al. Torque calculation method of cutterhead in earth pressure balance shield and quantitative analysis of several influencing factors[J]. Chinese Journal of Rock Mechanics and Engineering, 2013, 32(4): 760?766.

[5] ZHANG Q, QU C, CAI Z, et al. Modeling of the thrust and torque acting on shield machines during tunneling[J]. Automation in Construction, 2014, 40(4): 60?67.

[6] 李有兵. 大直徑泥水平衡盾構穿越上軟下硬地層的施工技術研究[D]. 成都: 西南交通大學, 2014. LI Youbing. A study on construction technology of large diameter slurry balance shield tunneling in upper-soft lower-hard ground[D]. Chengdu: Southwest Jiaotong University, 2014.

[7] 任福松, 金建俊. 地鐵施工中的盾構機姿態(tài)控制研究[J]. 交通標準化, 2009(17): 134?137.REN Fusong, JIN Jianjun. Shield machine attitude control in subway construction[J]. Transport Standardization, 2009(17): 134?137.

[8] 王升陽, 高俊強, 劉偉誠. 地鐵盾構施工中盾構姿態(tài)的控制方法[J]. 測繪地理信息, 2013, 38(1): 39?42.WANG Shengyang, GAO Junqiang, LIU Weicheng. The control method of the shielding postures in the shield construction of the subway[J]. Journal of Geomatics, 2013, 38(1): 39?42.

[9] 彭涌濤. 盾構掘進姿態(tài)控制技術研究[J]. 森林工程, 2013, 29(6): 106?110.PENG Yongtao. The study of shield tunneling attitude control technology[J]. Forest Engineering, 2013, 29(6): 106?110.

[10] 胡守仁. 神經網絡導論[M]. 長沙: 國防科技大學出版社, 1993. HU Shouren. Introduction to neural networks[M]. Changsha: National University of Defense Technology Press, 1993.

[11] ZHU F B. Numerical analysis of the influence of shield tunneling to adjacent loaded piles[J]. Advanced Materials Research, 2012, 538?541(1): 548?551.

[12] TANG Y, XU J. Shield tunneling in rock–soil interface composite formations[J]. Geotechnical & Geological Engineering, 2016, 34(6): 1693?1705.

[13] Fattah M Y, Shlash K T, Salim N M. Prediction of settlement trough induced by tunneling in cohesive ground[J]. Acta Geotechnica, 2013, 8(2): 167?179.

[14] Godwin R J, O Dogherty M J. Integrated soil tillage force prediction models[J]. Journal of Terramechanics, 2007, 44(1): 3?14.

[15] Ibarra S Y, Mckyes E, Broughton R S. A model of stress distribution and cracking in cohesive soils produced by simple tillage implements[J]. Journal of Terramechanics, 2005, 42(2): 115?139.

Study of fuzzy control on tunneling parameters of shield attitude in upper-soft and lower-hard ground

ZHANG Aijun

(The 12th Bureau Group of China Railway Ltd, Taiyuan 030032, China)

Shield construction method has become the main method in urban subway construction. The attitude control of shield tunneling is one of the key technologies to ensure the quality of tunnel construction. Upper-soft and lower-hard stratum is a kind of special composite ground in subway tunnel construction. The upper soil layer or soft rock layer is unstable while the lower rock layers have high strength. When shield constructing, the shield machine has a habit of moving to a weak stratum. Therefore compared with uniform stratum, upper-soft and lower-hard ground needs more attention in shield attitude control. Due to the complicated geological conditions and there are many factors that affect the attitude of shield machine, it is difficult to control the attitude of shield tunneling. The paper focuses on the influence of construction parameters of shield tunneling on the attitude control with the data from some engineering. Using the BP neural network model, influence of geological conditions and tunneling parameters, such as: driving speed, the cutter speed, the cutter head torque, the cylinder total thrust, the cylinder thrust difference between upper and lower, soil rock proportion in the digging surface, on shield attitude control have studied. Some laws are obtained from the study.

upper-soft and lower-hard ground; shield; altitude control; fuzzy control

10.19713/j.cnki.43?1423/u.2018.11.024

TU452

A

1672 ? 7029(2018)11 ? 2920 ? 08

2017?10?17

湖南省重點研發(fā)資助項目(2015SK20682-2)；住房和城鄉(xiāng)建設部資助項目(2012-R2-28)；中鐵建青島地鐵2號線項目指揮部科研基金資助項目

張愛軍(1969?)，男，河北唐山人，高級工程師，從事地鐵工程施工與工程管理工作；E?mail：446245611@qq.com

(編輯 蔣學東)